یادگیری انتقالی با روش تلفیقی از انتقال نمونه و نمایش ویژگی برای پیش‌بینی نقص بین‌پروژه‌ای نرم‌افزار

پیش‌بینی نقص نرم‌افزار، نقش مهمی در بهبود کیفیت نرم‌افزار دارد. به‌طوری‌که منابع محدود آزمون نرم‌افزار، به‌جای کل ماژول‌های نرم‌افزار به ماژول‌های مستعد نقص اختصاص داده می‌شوند. در پیش‌بینی نقص درون‌پروژه‌ای، برای ساخت مدل پیش‌بینی، داده‌های برچسب‌دار محلی استفاده می‌شود. ولی ساخت این مدل در مورد پروژه‌هایی که فاقد داده‌های برچسب‌دار محلی هستند، تقریباً غیرممکن است. لذا، پیش‌بینی نقص بین‌پروژه‌ای مطرح می‌شود، که برای ساخت و آموزش مدل، از داده‌های سایر پروژه‌ها استفاده می‌کند. در این حوزه، توزیع داده‌ای بخش‌های آموزش و آزمون متفاوت است. ازاین‌رو، پژوهش‌های انجام‌شده روی کاهش اثر منفی تفاوت توزیع بخش‌های آموزش و آزمون تمرکز دارند. در این پژوهش، روش بازه تخمین دانش پیشنهاد شده است. در این روش نمونه‌هایی از بخش آموزش که از نظر توزیع داده‌ای، مشابه نمونه‌های بخش آزمون هستند، انتخاب می‌شود. سپس، نمونه‌های منتخب به مدل آموزشی داده می‌شود. برای افزایش اثربخشی، قبل از اعمال روش بازه تخمین دانش، تکنیک استخراج ویژگی روی بخش‌های آموزش و آزمون اعمال می‌شود. نتایج حاصل از ارزیابی روش پیشنهادی روی 10 مجموعه داده از دادگان ناسا و SoftLab با معیار AUC بیانگر اثربخشی این روش در پیش‌بینی ماژول‌های مستعد نقص است. روش پیشنهادی به‌طور میانگین 38.1 درصد نسبت به پیش‌بینی نقص درون‌پروژه‌ای افزایش دقت دارد.